吳蘊蘊，鄭彩仙浙江大學(xué)醫(yī)學(xué)院附屬兒童醫(yī)院，浙江杭州 310003

基于主成分分析模型的醫(yī)療設(shè)備溫度監(jiān)測模型及其應(yīng)用

吳蘊蘊，鄭彩仙
浙江大學(xué)醫(yī)學(xué)院附屬兒童醫(yī)院，浙江杭州 310003

0 前言

新生兒產(chǎn)熱能力低且容易失熱，其體溫容易隨著外界環(huán)境溫度的變化而變化，從而導(dǎo)致體溫異常。尤其是早產(chǎn)兒，因其體溫調(diào)節(jié)中樞發(fā)育不成熟，體溫受環(huán)境溫度的影響更明顯[1]。當(dāng)環(huán)境溫度過低時，嬰兒自身產(chǎn)熱不足，可能導(dǎo)致體溫下降、外周小血管收縮、皮膚血流量減少、肢端發(fā)冷及微循環(huán)障礙等問題；當(dāng)環(huán)境溫度過高時，嬰兒自然出汗散熱不足，可能導(dǎo)致體溫上升、脫水、高血鈉癥、甚至出現(xiàn)高膽紅素血癥等問題。

醫(yī)院通常采用藍光箱、嬰兒保溫箱、輻射床等醫(yī)療設(shè)備，將嬰兒的體溫控制在合適的范圍內(nèi)。以藍光箱為例，在一般的臨床治療過程中，醫(yī)務(wù)人員往往通過觀察藍光箱的溫度數(shù)值來檢驗藍光箱的溫度是否正常。然而，人為觀察不僅會帶來一定的誤差，而且把單一指數(shù)作為衡量標準也存在一定的風(fēng)險。一旦溫度傳感器出現(xiàn)故障，而醫(yī)護人員仍然根據(jù)其輸出值來判斷藍光箱溫度是否正常，往往難以及時發(fā)現(xiàn)燈箱故障甚至造成嚴重的醫(yī)療事故。因此，上述醫(yī)療設(shè)備溫度控制的準確性顯得尤為關(guān)鍵，需要定期對其進

VOL.30 No.04行規(guī)范性溫度監(jiān)測。

多數(shù)醫(yī)院采用INCU嬰兒培養(yǎng)箱分析儀（以下簡稱INCU分析儀），對藍光箱等醫(yī)療設(shè)備進行溫度監(jiān)測，即通過INCU分析儀記錄一段時間內(nèi)的溫度值，然后通過人工目測分析（主要觀察溫度的均值和波動范圍），來判斷該醫(yī)療設(shè)備的溫度控制是否可靠。這種方法具有較強的主觀性，較多地依賴觀察者的經(jīng)驗；而且INCU分析儀可以同時記錄4個不同空間位置的溫度值，記錄的是多變量數(shù)據(jù)，數(shù)據(jù)變化多樣，僅僅依靠人工目測分析有時難以得出明確的結(jié)論。因此，本研究嘗試構(gòu)建一種新的多變量監(jiān)測模型，實現(xiàn)對醫(yī)療設(shè)備溫度數(shù)據(jù)的自動分析。

1 方法

1.1 數(shù)據(jù)來源

用于治療新生兒黃疸的藍光箱，在兒童醫(yī)院內(nèi)的應(yīng)用尤為廣泛。黃疸是一種因人體血液中的膽紅素濃度增高所引起的皮膚、黏膜和眼球鞏膜等部分發(fā)黃的癥狀[2]。在臨床中，藍光照射已經(jīng)逐漸成為治療新生兒黃疸的首選方案[3-4]。在實施藍光照射治療時，藍光箱內(nèi)需保持一定的溫度，并通過箱溫控制系統(tǒng)進行溫度監(jiān)測與控制。保持箱溫在設(shè)定值附近不僅對于藍光照射的治療效果尤為重要，也是一項重要的安全指標。藍光箱溫度過低或過高，會給新生兒造成不適甚至威脅其生命安全。本研究以藍光箱的溫度監(jiān)測數(shù)據(jù)作為基于主成分分析（Principal Component Analysis，PCA）模型的醫(yī)療設(shè)備溫度監(jiān)測模型的建模數(shù)據(jù)。

1.2 溫度監(jiān)測儀器

采用美國Fluke公司生產(chǎn)的INCU分析儀，將其自帶的4個獨立的溫度探頭（傳感器T1～T4）安置在藍光箱內(nèi)的4個定點位置，實現(xiàn)這4個記錄點溫度的實時監(jiān)測。具體操作步驟：將INCU分析儀平放在藍光箱內(nèi)的中心位置，將傳感器T1和T3垂直固定在儀器兩端，將傳感器T2固定在儀器上方的中心位置，將傳感器T4固定在儀器下方，與藍光箱床板直接接觸。

INCU分析儀及其4個溫度傳感器的分布圖，見圖1。每個記錄點的記錄頻率是1次/min。利用INCU分析儀，可以同時監(jiān)測藍光箱內(nèi)4個不同空間位置上的溫度，為檢測藍光箱內(nèi)溫度的可靠性提供有效的分析數(shù)據(jù)。

圖1 INCU分析儀及其4個溫度傳感器T1～T4的分布圖

1.3 溫度監(jiān)測數(shù)據(jù)的分析方法

很多醫(yī)院都在用INCU分析儀監(jiān)測具有保溫功能的醫(yī)療設(shè)備的溫度，但是對于監(jiān)測到的數(shù)據(jù)，往往只依靠人為目測的方法進行分析，一般僅涉及溫度的均值和波動范圍。這種方法很大程度上依賴于分析者的主觀經(jīng)驗，尤其是當(dāng)4個溫度傳感器記錄到的數(shù)據(jù)較復(fù)雜時，無法確定這些數(shù)據(jù)所對應(yīng)的溫度值是否可靠。因此，本研究考慮構(gòu)建一種新的多變量監(jiān)測模型，對這些數(shù)據(jù)進行自動分析。

解決多變量監(jiān)測問題的方法通常有兩類：基于模型的方法和基于數(shù)據(jù)的方法[5]。采用基于模型的方法時，研究者要根據(jù)守恒定律和平衡方程對過程或者系統(tǒng)進行建模，需要深入了解系統(tǒng)完整的技術(shù)參數(shù)，時間和經(jīng)濟成本較高，一般不被采納。而隨著計算機與通信技術(shù)的迅速發(fā)展，過程數(shù)據(jù)采集較為容易，因此基于數(shù)據(jù)的多變量統(tǒng)計過程建模與監(jiān)控技術(shù)已經(jīng)逐漸成為近年來的研究熱點。其中，PCA及其擴展方法作為代表性的技術(shù)，已經(jīng)被廣泛應(yīng)用于模式識別、機器學(xué)習(xí)和故障診斷等各個領(lǐng)域[6-10]。本研究提出了基于PCA模型的溫度監(jiān)測模型，并將其應(yīng)用于INCU分析儀記錄的溫度數(shù)據(jù)中，實現(xiàn)對藍光箱溫度的自動監(jiān)測與控制。

1.3.1 PCA模型

假設(shè)N個觀測數(shù)據(jù)｛X1，X2,...,XN｝，其中XN∈RM代表由m個變量（傳感器）組成的一個樣本向量。一般情況下，需要對該數(shù)據(jù)矩陣進行歸一化處理，即減去每個變量的均值和除以各自的均方差。PCA模型的目標為將原始數(shù)據(jù)投影到一個較低的D維的線性空間，D＜M，并使得投影后的數(shù)據(jù)方差最大化。利用PCA方法建立的統(tǒng)計分析模型[11-12]可以表示為：

上式中，T∈RN×D為主元得分，P∈RM×D是載荷矩陣，E∈RN×M為PCA殘差矩陣，它代表模型的非系統(tǒng)信息。D為選取的主元個數(shù)，即低維空間的維度，可采用交叉檢驗法或累積方差貢獻率（CPV）方法來選取主元個數(shù)。主元和殘差的得分和載荷矩陣可以通過對X的協(xié)方差矩陣S=XTX/(n-1)進行奇異值分解得到，即：

其中Λ=diag{λ1,λ2,...,λM}中的對角線上的元素代表主成分的方差。通常情況下，前幾維主成分已經(jīng)包含了原始數(shù)據(jù)的大部分信息。因此，經(jīng)過PCA分解后，原來的M維變量空間就由主成分空間Sp=span{P}和殘差空間Sp=span{P～}所代替。一個新的向量X*可以被分別投影到主成分空間和殘差空間上：

由于Sp和Sr正交，即X^*TX～*=0，因此：

1.3.2 基于PCA的溫度監(jiān)測模型

通過PCA模型，可以實現(xiàn)對原始高維數(shù)據(jù)的特征提取，并將原始空間分解為相互正交的主元空間和殘差空間，同時提取了原始數(shù)據(jù)的相關(guān)關(guān)系。以藍光箱為例，在溫度監(jiān)測模型中，對于采集的一組溫度數(shù)據(jù)X∈RN×M，其中N為采樣個數(shù)，M為溫度傳感器個數(shù)。對X做PCA分解后，可以得到主元得分T∈RN×D和殘差E，基于此我們可以建立相應(yīng)的統(tǒng)計監(jiān)測模型。根據(jù)主元得分T，可以構(gòu)造相應(yīng)的T2統(tǒng)計量[13]：

假設(shè)藍光箱各個測點的溫度服從多元高斯分布，則T2統(tǒng)計量服從近似的F分布（均值和方差由數(shù)據(jù)估計）[14]：

此外，根據(jù)模型殘差E，可以構(gòu)造SPE統(tǒng)計量：

SPE統(tǒng)計量則服從近似的χ2分布：SPE～g·χ2h，其中g(shù)和h是χ2分布的參數(shù)，他們可通過樣本的均值和方差進行估計[14]：

綜上所述，基于PCA的藍光箱溫度監(jiān)測步驟可總結(jié)為：① 利用正常條件下采集的樣本X∈RN×M，根據(jù)公式(1)，構(gòu)造PCA模型得出主元得分T∈RN×D和殘差E；② 根據(jù)公式(6)和(9)構(gòu)造T2和SPE統(tǒng)計量；③ 根據(jù)公式(8)和(10)構(gòu)造T2和SPE統(tǒng)計量的控制限；④ 當(dāng)測量出新樣本時，根據(jù)公式(3)和(4)計算出測試樣本的主元得分tnew和殘差enew；⑤ 根據(jù)公式(6)和(9)構(gòu)造新樣本的統(tǒng)計量和SPEnew；如果T2或SPEnew高于相應(yīng)的控制限，則說明溫度異常，反之，則說明溫度在正常范圍內(nèi)。

2 結(jié)果

將基于PCA的溫度監(jiān)測模型應(yīng)用在臨床使用的藍光箱上，來評估模型的有效性。本研究用于測試的藍光箱共有4個溫度測點，在正常狀態(tài)下，收集了250個采樣點作為訓(xùn)練數(shù)據(jù)，即Xtrain∈R250×4。同時，為了驗證算法的有效性，本研究對藍光箱進行了故障模擬實驗，采集到了測試數(shù)據(jù)Xtest∈R171×4，其中，在第15個采樣點之后將藍光箱的溫度設(shè)定值提高了2 ℃，以此來檢驗?zāi)Ｐ褪欠衲軝z測出溫度異常?；赑CA的藍光箱溫度監(jiān)測結(jié)果，見圖2～3。

圖2 正常條件下的溫度監(jiān)測結(jié)果。

圖3 異常條件下的溫度監(jiān)測結(jié)果。

由圖2(a)可知，對于正常條件下的數(shù)據(jù)，T2統(tǒng)計量全部在控制限以下；由圖2(b)可知，SPE統(tǒng)計量有3個采樣點不在控制限以下，但因為控制限的置信度為99%，所以這屬于正常范圍。因此，對于正常數(shù)據(jù)，T2和SPE統(tǒng)計量均在控制限以下。

由圖3(a)、(b)可知，對于異常條件下的數(shù)據(jù)，在15個采樣點后，T2和SPE統(tǒng)計量都遠遠跳到控制限以上。

因此，基于PCA的溫度監(jiān)測模型可以有效地監(jiān)控藍光箱的箱溫，當(dāng)箱溫出現(xiàn)異常時，T2和SPE統(tǒng)計量會及時地發(fā)出故障警報，使得異常狀況在最短的時間被發(fā)現(xiàn)和處理。

3 結(jié)論

隨著基于數(shù)據(jù)驅(qū)動的智能醫(yī)療系統(tǒng)的發(fā)展，基于數(shù)據(jù)模型的醫(yī)療器械監(jiān)測與控制將成為未來的一個研究熱點。

具有保溫功能的醫(yī)療設(shè)備，如保溫箱、藍光箱等，在醫(yī)療機構(gòu)（尤其是兒童醫(yī)院）里應(yīng)用廣泛。新生兒對于環(huán)境溫度尤其敏感，傳統(tǒng)的人為觀察溫度的方法容易導(dǎo)致誤差或誤判等。隨著大數(shù)據(jù)時代的到來，計算機數(shù)據(jù)分析技術(shù)將取代傳統(tǒng)的人工粗略分析，逐漸被廣泛應(yīng)用于各個領(lǐng)域。本研究提出了一種基于PCA模型的醫(yī)療設(shè)備溫度監(jiān)測模型，即利用數(shù)據(jù)分析領(lǐng)域被廣泛應(yīng)用的PCA模型，構(gòu)造了多個溫度傳感器監(jiān)測數(shù)據(jù)之間的相關(guān)關(guān)系，進而構(gòu)造了T2和SPE統(tǒng)計量，以此來監(jiān)測醫(yī)療設(shè)備的溫度是否正常。將該模型應(yīng)用在藍光箱的箱溫數(shù)據(jù)分析中，結(jié)果表明，該模型可以有效地監(jiān)測藍光箱的箱溫，當(dāng)箱溫出現(xiàn)異常時，T2和SPE統(tǒng)計量能夠及時地發(fā)出故障警報，使得異常狀況在最短的時間內(nèi)被發(fā)現(xiàn)和處理。

[1] 林峰,黃小飛,饒高峰,等．新生兒體溫及其變異因素的臨床研究[J]．臨床兒科雜志,2006,23(9):635-637．

[2] Click R,Dahl-Smith J,Fowler L,et al．An osteopathic approach to reduction of readmissions for neonatal jaundice[J]．Osteopathic Family Physician,2013,5(1):17-23．

[3] 張智榮．藍光治療新生兒黃疸的護理[J]．臨床醫(yī)學(xué),2011,31(4):124-125．

[4] 何麗麗．藍光治療新生兒黃疸的護理體會[J]．中外健康文摘, 2014,(21):292．

[5] Murphy KP．Machine learning: a probabilistic perspective[M]．MIT Press,2012．

[6] Bishop CM．Pattern recognition and machine learning[M]．New York:Springer,2006．

[7] Jolliffe I．Principal component analysis[M]．John Wiley & Sons,Ltd,2005．

[8] Qin SJ．Survey on data-driven industrial process monitoring and diagnosis[J]．Amw Rev Control,2012,36(2):220-234．

[9] Ku W,Storer RH,Georgakis C．Disturbance detection and isolation by dynamic principal component analysis[J]．Chemometr Intell Lab Syst,1995,30(1):179-196．

[10] Tipping ME,Bishop CM．Probabilistic principal component analysis[J]．J R Stat Soc B,1999,61(3):611-622．

[11] Jackson JE．A user's guide to principal components[M]．New York: John Wiley & Sons,Inc,1991．

[12] Joe Qin S．Statistical process monitoring: basics and beyond[J]．J Chemometr,2003,17(8-9):480-502．

[13] Tracy N,Young J,Mason R．Multivariate control charts for individual observations[J]．J Qual Technot,1992,24(2):88-95．

[14] Russell EL,Chiang LH,Braatz RD．Fault detection in industrial processes using canonical variate analysis and dynamic principal component analysis[J]．Chemometr Intell Lab Syst,2000,51(1):81-93．

APCA-Based Medical Equipment Temperature Monitoring Model and its Application

WU Yun-yun, ZHEN Cai-xian
The Children’s Hospital of Zhejiang University School of Medicine, Hangzhou Zhejiang 310003, China

將具有保溫功能的醫(yī)療設(shè)備的溫度控制在設(shè)定值的合適范圍內(nèi)具有重要意義。傳統(tǒng)的溫度監(jiān)測方法主要是人工判斷，對主觀經(jīng)驗依賴性較大，而且過于簡單，遇到復(fù)雜情況將無法判斷溫度的可靠性。本文基于主成分分析（PCA）模型，提出了一種新的醫(yī)療設(shè)備溫度監(jiān)測模型，即基于PCA模型構(gòu)造多個溫度傳感器監(jiān)測數(shù)據(jù)之間的相關(guān)關(guān)系，進而構(gòu)造了相關(guān)統(tǒng)計量來監(jiān)測醫(yī)療設(shè)備的溫度是否正常。將該模型應(yīng)用于藍光箱的箱溫數(shù)據(jù)分析，結(jié)果表明，該模型可以有效地監(jiān)測藍光箱的箱溫，當(dāng)箱溫出現(xiàn)異常時，能夠及時地發(fā)出故障警報，使得異常狀況在最短的時間內(nèi)被發(fā)現(xiàn)和處理。該模型可運用到各類溫度數(shù)據(jù)需要進行監(jiān)測的醫(yī)療設(shè)備中，具有較強的實用性。

醫(yī)療設(shè)備；主成分分析模型；溫度監(jiān)測模型；數(shù)據(jù)挖掘；主元空間

It was important to ensure the temperature control of medical equipment with the heat preservation function within an acceptable range of the setting value. The temperature monitoring was traditionally carried out by artificial judgment, which mainly depended on subjective experiences. Also, it was not easy to make an accurate decision in case of complex situations. In this paper, a PCA-based (Principal-Component-Analysis-Based) multivariate statistical model was proposed and applied for temperature monitoring of the medical equipment. In the new model, connections between the monitoring data of temperature sensors was constructed on the basis of PCA model so as to monitor the status of the temperature of medical equipment through use of corresponding statistical data. After application of the new model to analysis of the temperature of the blue light box, it demonstrated its effectiveness, quick responses and alert to the abnormal conditions, which could ensure the abnormalities are found and processed in the shortest time. In practice, the proposed model had strong practicality and could also be used in various medical equipment that needed to monitor the temperature data.

medical equipment; principal component analysis; temperature monitoring model; data mining; principal component space

R197.39

A

10.3969/j.issn.1674-1633.2015.04.004

1674-1633(2015)04-0015-03

2015-01-06

作者郵箱：wuyy0323@163．com